典型文献
基于CEEMDAN样本熵与卷积神经网络的轴承故障诊断
文献摘要：
针对强噪声背景下滚动轴承振动信号故障特征难以提取和识别困难的问题,提出将自适应白噪声平均总体经验模态分解(CEEMDAN)样本熵与卷积神经网络(CNN)联合的故障诊断方法(CEEMDAN样本熵-CNN方法).基于分形理论,采用CEEMDAN算法分解振动信号并提取其非线性特征,通过分形盒维数筛选最优IMF分量,以其样本熵构成的特征向量输入CNN模型,实现轴承故障的分类和诊断,并进行t-SNE聚类可视化分析.结果表明:在不同工况下,与经验模态分解(EMD)样本熵和集成经验模态分解(EEMD)样本熵方法相比,所提CEEMDAN样本熵-CNN方法具有良好的识别能力和泛化性能,其可视化分析结果更具直观性.
文献关键词：
卷积神经网络;轴承;CEEMDAN;盒维数;样本熵;故障诊断
中图分类号：
作者姓名：
肖俊青;金江涛;李春;许子非;孙康
作者机构：
上海理工大学 能源与动力工程学院,上海200093
文献出处：
引用格式：
[1]肖俊青;金江涛;李春;许子非;孙康-.基于CEEMDAN样本熵与卷积神经网络的轴承故障诊断)[J].动力工程学报,2022(05):429-436
A类：
B类：
CEEMDAN,样本熵,轴承故障诊断,强噪声,滚动轴承振动信号,故障特征,自适应白噪声,总体经验模态分解,故障诊断方法,分形理论,非线性特征,盒维数,IMF,特征向量,SNE,不同工况,集成经验模态分解,熵方法,识别能力,泛化性能,直观性
AB值：
0.24631
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
